| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 课题背景及意义 | 第12-13页 |
| 1.2 命名实体识别研究现状 | 第13-16页 |
| 1.2.1 命名实体的定义 | 第13-14页 |
| 1.2.2 相关研究概述 | 第14-16页 |
| 1.3 主要工作与组织结构 | 第16-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 统计学命名实体识别综述 | 第19-29页 |
| 2.1 什么是命名实体识别 | 第19-20页 |
| 2.2 隐马尔可夫模型 | 第20-22页 |
| 2.3 条件随机场 | 第22-24页 |
| 2.4 支持向量机 | 第24-25页 |
| 2.5 三种模型的分析比较 | 第25-26页 |
| 2.6 统计学模型的瓶颈与困难 | 第26-28页 |
| 2.6.1 原理缺陷分析 | 第26-27页 |
| 2.6.2 应用中缺陷分析 | 第27-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第3章 深度学习与命名实体识别 | 第29-41页 |
| 3.1 深度学习相关原理简介 | 第29-38页 |
| 3.1.1 词汇向量化 | 第30-34页 |
| 3.1.2 循环神经网络和长短期记忆模型 | 第34-36页 |
| 3.1.3 Encoder-Decoder | 第36-37页 |
| 3.1.4 Attention机制 | 第37-38页 |
| 3.2 BI-LSTM-CRF和BI-LSTM-CNN-CRF | 第38-39页 |
| 3.3 缺陷和不足 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 改进的命名实体识别框架 | 第41-56页 |
| 4.1 基于语义分析和神经网络的命名实体识别框架 | 第41-47页 |
| 4.1.1 语义分析的实现 | 第41-43页 |
| 4.1.2 神经网络的命名实体识别模型实现 | 第43-46页 |
| 4.1.3 结果对比 | 第46-47页 |
| 4.2 基于Encoder-Decoder和CRF的命名实体识别框架 | 第47-49页 |
| 4.3 引入Attention机制的命名实体识别框架 | 第49-55页 |
| 4.3.1 模型参数和模型训练 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 实验设计及结果分析 | 第56-63页 |
| 5.1 实验数据 | 第56-58页 |
| 5.2 评价指标 | 第58-59页 |
| 5.3 实验环境 | 第59页 |
| 5.4 分类方法及对比试验 | 第59-62页 |
| 5.5 结果分析 | 第62页 |
| 5.6 本章小结 | 第62-63页 |
| 第6章 命名实体识别在智能问答系统中的应用 | 第63-70页 |
| 6.1 数据爬虫 | 第63-64页 |
| 6.2 语义分析模块 | 第64-65页 |
| 6.3 对话生成模块 | 第65-66页 |
| 6.4 微服务 | 第66页 |
| 6.5 命名实体识别模块 | 第66-69页 |
| 6.5.1 数据预处理 | 第67页 |
| 6.5.2 中文分词 | 第67-68页 |
| 6.5.3 词向量训练 | 第68页 |
| 6.5.4 语料标注 | 第68-69页 |
| 6.6 本章小结 | 第69-70页 |
| 第7章 总结与展望 | 第70-72页 |
| 7.1 全文总结 | 第70页 |
| 7.2 下一步研究方向 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76页 |
